False Friends in the Shell: Unveiling the Emoticon Semantic Confusion in Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jiang, Weipeng, Zhang, Xiaoyu, Zhai, Juan, Ma, Shiqing, Shen, Chao, Liu, Yang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Artificial Intelligence Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Invisible Hand: Unveiling Provider Bias in Large Language Models for Code Generation
von: Zhang, Xiaoyu, et al.
Veröffentlicht: (2025)

AgentGuard: A Multi-Agent Framework for Robust Package Confusion Detection via Hybrid Search and Metadata-Content Fusion
von: Li, Yu, et al.
Veröffentlicht: (2026)

Evaluating Large Language Models for Line-Level Vulnerability Localization
von: Zhang, Jian, et al.
Veröffentlicht: (2024)

ConfuGuard: Using Metadata to Detect Active and Stealthy Package Confusion Attacks Accurately and at Scale
von: Jiang, Wenxin, et al.
Veröffentlicht: (2025)

How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection
von: Chen, Maofei, et al.
Veröffentlicht: (2026)

VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities
von: Wang, Weizhe, et al.
Veröffentlicht: (2025)

Conflicting Scores, Confusing Signals: An Empirical Study of Vulnerability Scoring Systems
von: Koscinski, Viktoria, et al.
Veröffentlicht: (2025)

Train in Vain: Functionality-Preserving Poisoning to Prevent Unauthorized Use of Code Datasets
von: Xiao, Yuan, et al.
Veröffentlicht: (2026)

DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection
von: Yang, Yanjing, et al.
Veröffentlicht: (2024)

The Power of Words: Generating PowerShell Attacks from Natural Language
von: Liguori, Pietro, et al.
Veröffentlicht: (2024)

Understanding the Supply Chain and Risks of Large Language Model Applications
von: Ma, Yujie, et al.
Veröffentlicht: (2025)

Beyond the Protocol: Unveiling Attack Vectors in the Model Context Protocol (MCP) Ecosystem
von: Song, Hao, et al.
Veröffentlicht: (2025)

How Agentic AI Coding Assistants Become the Attacker's Shell
von: Liu, Yue, et al.
Veröffentlicht: (2026)

LLM4Fuzz: Guided Fuzzing of Smart Contracts with Large Language Models
von: Shou, Chaofan, et al.
Veröffentlicht: (2024)

Large Language Models-Aided Program Debloating
von: Lin, Bo, et al.
Veröffentlicht: (2025)

Large Language Model assisted Hybrid Fuzzing
von: Meng, Ruijie, et al.
Veröffentlicht: (2024)

Do Fine-Tuned LLMs Understand Vulnerabilities? An Investigation into the Semantic Trap
von: Huang, Feiyang, et al.
Veröffentlicht: (2026)

LLM-Driven Adaptive Source-Sink Identification and False Positive Mitigation for Static Analysis
von: Lin, Shiyin
Veröffentlicht: (2025)

APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching
von: Nong, Yu, et al.
Veröffentlicht: (2024)

On the effectiveness of Large Language Models for GitHub Workflows
von: Zhang, Xinyu, et al.
Veröffentlicht: (2024)

Enhancing Pre-Trained Language Models for Vulnerability Detection via Semantic-Preserving Data Augmentation
von: Qi, Weiliang, et al.
Veröffentlicht: (2024)

FuzzSlice: Pruning False Positives in Static Analysis Warnings Through Function-Level Fuzzing
von: Murali, Aniruddhan, et al.
Veröffentlicht: (2024)

Large Language Models for Code Analysis: Do LLMs Really Do Their Job?
von: Fang, Chongzhou, et al.
Veröffentlicht: (2023)

Large Language Models for Secure Code Assessment: A Multi-Language Empirical Study
von: Dozono, Kohei, et al.
Veröffentlicht: (2024)

ThreMoLIA: Threat Modeling of Large Language Model-Integrated Applications
von: Jedrzejewski, Felix Viktor, et al.
Veröffentlicht: (2025)

Threat Modelling and Risk Analysis for Large Language Model (LLM)-Powered Applications
von: Tete, Stephen Burabari
Veröffentlicht: (2024)

Evaluating Large Language Models in detecting Secrets in Android Apps
von: Alecci, Marco, et al.
Veröffentlicht: (2025)

Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
von: Shi, Wenxuan, et al.
Veröffentlicht: (2024)

On the Adversarial Robustness of Instruction-Tuned Large Language Models for Code
von: Hossen, Md Imran, et al.
Veröffentlicht: (2024)

"Your AI, My Shell": Demystifying Prompt Injection Attacks on Agentic AI Coding Editors
von: Liu, Yue, et al.
Veröffentlicht: (2025)

Tactics, Techniques, and Procedures (TTPs) in Interpreted Malware: A Zero-Shot Generation with Large Language Models
von: Zhang, Ying, et al.
Veröffentlicht: (2024)

"False negative -- that one is going to kill you": Understanding Industry Perspectives of Static Analysis based Security Testing
von: Ami, Amit Seal, et al.
Veröffentlicht: (2023)

QASecClaw: A Multi-Agent LLM Approach for False Positive Reduction in Static Application Security Testing
von: Ameen, Mohd Ruhul, et al.
Veröffentlicht: (2026)

MegaVul: A C/C++ Vulnerability Dataset with Comprehensive Code Representation
von: Ni, Chao, et al.
Veröffentlicht: (2024)

LineBreaker: Finding Token-Inconsistency Bugs with Large Language Models
von: Chen, Hongbo, et al.
Veröffentlicht: (2024)

An Empirical Study on the Effectiveness of Large Language Models for Binary Code Understanding
von: Shang, Xiuwei, et al.
Veröffentlicht: (2025)

HALURust: Exploiting Hallucinations of Large Language Models to Detect Vulnerabilities in Rust
von: Luo, Yu, et al.
Veröffentlicht: (2025)

Unveiling Security Weaknesses in Autonomous Driving Systems: An In-Depth Empirical Study
von: Cheng, Wenyuan, et al.
Veröffentlicht: (2025)

MalCVE: Malware Detection and CVE Association Using Large Language Models
von: Cristea, Eduard Andrei, et al.
Veröffentlicht: (2025)

Unveiling Dynamic Binary Instrumentation Techniques
von: Llorente-Vazquez, Oscar, et al.
Veröffentlicht: (2025)